Saltar a contenido

Chat Open AI

Nombre del elemento: Chat Open AI

Categoría: Cognitivo (Cognitive)

Descripción: Funcionalidad avanzada. Permite la integración con las API de OpenIA agregando la posibilidad de integrar características conversacionales, basadas en un corpus base.

Funcionalidad: Esta orientada a la gestión de chats basados en OpenAI, donde se procesan los mensajes emulando el comportamiento de un motor cognitivo, pero sin la necesidad de definir un modelo IEC, para cada intencionalidad. Lo que en su forma más básica sería un chat libre, basado en el contexto de un corpus o contexto previo.

Campos de configuración de acción**

[Nombre]: Descriptor único de caja de configuración con fines de identificar la misma en el flujo.

Subconjunto Configuraciones OPENAI

[Expresión que define el corpus de entrenamiento]: Se ingresa una expresión que define el comportamiento para el chat de OPENAI, este admite el formato Human/AI propuesto en la documentación de ejemplo https://beta.openai.com/examples (Chat).

-- Ejemplo 1 expresión:

<p>` Human: Hola, buenos días?</p><p></p><p>`  
     `AI: Hola en que te puedo ayudar?</p><p></p><p>`

    `Human: Quiero saber si se cobra el talonario de cheques</p><p></p><p>`  
     `AI: Banco de Acme no te cobra por el talonario de cheques; pero sí existen cobros por las chequeras con diseño.</p><p></p><p>`

  `Human: Quiero mi talonario de cheques</p><p></p><p>`  
    `AI: Al abrir tu cuenta te entregamos una chequera y un talonario, en el cual encontrarás un formulario que debes presentar para solicitar tu próximo talonario. Si no tienes el formulario, puedes solicitarlo en la sucursal más cercana.</p><p></p><p>`

  `Human: Que hacer si necesito efectivo y no ando con cheques o tarjetas?</p><p></p><p>` 
    `AI: Acércate al mesón de atención de cualquier sucursal del Banco y solicita dinero en efectivo de Emergencia. Puedes solicitarlo como giros de tu Cuenta Corriente o Línea de Crédito o como avance de tu Tarjeta de Crédito.. `</p><p></p>

Nota 📑: Observar que los corpus es más sencillos enmarcarlos en comillas simples laterales (`).

[Chat Input]: Campo obligatorio que almacena una entidad que define la entrada a analizar. Para la mayoría de los casos de implementación chat su valor debe ser sobre la entidad: CURRENT_EVALUATION

Recuerde que esta entidad estará en vacío para inicios de sesión que no dependan de un mensaje de cliente (Ejemplo: la apertura de web Chat no requiere un mensaje de inicio como otros canales tal como WhatsApp).

[Chat Entity]: Campo obligatorio que almacena una entidad de tipo string que soporta la transacción de corpus de agregación, defina una entidad para el funcionamiento de esta acción.

[Modelo]: Expresión de tipo string donde se debe indicar el modelo a utilizar para la validación del texto. Existen modelos con diferentes niveles de capacidades:

  • GPT-3: Conjuntos de modelos que permiten comprender y generar lenguaje natural
    • text-davinci-003: Permite realizar cualquier tarea que puedan realizar los otros modelos de este conjunto, con mayor calidad, duración y mejor seguimiento de instrucciones. (Solicitud máxima de 4000 tokens).
    • text-curie-001: Muy capaz, pero de mayor rapidez y menor costo que Davinci (Solicitud máxima de 2048 tokens).
    • text-babbage-001: Capaz de realizar solicitudes sencillas, muy rápidas y de menor costo (Solicitud máxima de 2048 tokens).
    • text-ada-001: Capaz de realizar tareas muy simples, generalmente el modelo más rápido y el de más bajo costo. (Solicitud máxima de 2048 tokens).

  • Codex: Conjuntos de modelos que permiten comprender y generar código, incluyendo la traducción del lenguaje natural a código.

    • code-davinci-002: Modelo más capaz. Particularmente bueno para traducir lenguaje natural a código. Además de completar el código admite la inserción de finalizaciones dentro del código. (Solicitud máxima de 8000 tokens).
    • code-cushman-001: Casi tan capaz como Davinci Codex, pero de mayor rapidez, esta ventaja se puede utilizar para aplicaciones en tiempo real. (Solicitud máxima de 2048 tokens).

  • Content Filter: Modelo perfeccionado que permite detectar si el texto puede ser confidencial o seguro. La expresión se debe insertar entre comillas simples.

-- Ejemplo: ‘text-davinci-003’

Nota 📑: consulte los modelos disponibles AQUI.

[Temperatura]:Parámetro tipo float que indicará que el modelo asumirá más riesgos o olguras en la respuesta. Si se inserta el valor de 0.9, se puede utilizar en aplicaciones más creativas y 0 para aquellas que tienen una respuesta bien definida.

El valor 1 corresponde al valor predeterminado.

-- Ejemplo: 0.8

Nota 📑: consulte las sugerencias de temperatura según la función seleccionada OPENAI (ejemplos)

[Top_P]: parámetro tipo Float que considerará el % de las palabras más usadas y las utiliza en la respuesta IA. Es decir, si se inserta el valor de 0.6 corresponderá al 60% de palabras con mayor uso.

Ejemplo: 0.6

[Max_Tokens]: Expresión de tipo Integer que corresponde al número máximo de tokens a generar.

Los tokens pueden ser palabras individuales, pero también caracteres, frases u oraciones. Estos son los que permiten entender y generar los textos de respuesta.

Principalmente configurar un mayor valor de token, generará respuestas más complejas, asertivas y de mayor calidad, con la desventaja de que pueden demorar más es ser procesadas y tendrán un coste mayor.

-- Ejemplo: 150

[Autorización]: parámetro tipo clave que permite la configuración de la llave de autorización asociada a una consulta OPENAI API. Para saber cómo gestionar este parámetro y crear sus propias llaves consulte AQUI

[Entidad donde se va a depositar el resultado de la evaluación]: Este campo define el nombre de una entidad de tipo string que contendrá la salida al análisis de OPENAI, siendo posible su post Procesado.

[Manejador de errores]: Caja de selección donde se identifica la intención que se activara en caso de presentarse un error en la acción OpenAi. Al ejecutarse un desborde de error la entidad OpenAi_Error será cargada con el detalle de error si el mismo se encuentra disponible.

## Ejemplo de implementación

Precondiciones:

  • Obtener parámetros de autorización
  • Crear entidades de soporte para la acción.

Expresión que define el corpus de entrenamiento:

<p>` Human: Hola, buenos días?**</p><p></p><p>
`  `AI: Hola en que te puedo ayudar?** </p><p></p><p>` 
`Human:Quiero saber si se cobra el talonario de cheques</p><p></p><p>` 
 `AI: Banco Acme no te cobra por el talonario de cheques; pero sí existen cobros por las chequeras con diseño.</p><p></p><p>` 
  `Human:Quiero mi talonario de cheques**</p><p></p><p>` 
   `AI: Al abrir tu cuenta te entregamos una chequera y un talonario, en el cual encontrarás un formulario que debes presentar para solicitar tu próximo talonario. Si no tienes el formulario, puedes solicitarlo en la sucursal más cercana. `</p>

CHAT INPUT: CURRENT_EVALUATION

CHAT ENTITY: OPENAI_INPUT

MODELO: 'text-davinci-003'

TEMPERATURA: 0.8

TOP_P : 0

MAX_TOKENS: 150

Autorización: A2421ksmXXXXX

Entidad donde se va a depositar el resultado de la evaluación: OPENAI

Manejo de errores: ErrorH

Entrada:

Cliente escribe: que hay sobre el talonario de cheques?

CURRENT_EVALUATION <-- ‘que hay sobre el talonario de cheques?’

Salida:

OPENAI <--

El talonario de cheques es un conjunto de cheques preimpresos que se entregan al abrir una cuenta corriente. Estos cheques contienen los datos básicos de la cuenta, como el nombre del titular, el número de cuenta y el nombre del banco. El talonario de cheques es una herramienta útil para realizar pagos y transferencias de fondos. Banco de Acme no cobra por el talonario de cheques, pero sí existen cobros por las chequeras con diseño.

OPENAI_INPUT <-- Corpus + nuevo Human/AI procesado.